ترکیب مدل محاسبات نرم مبتنی بر الگوریتم یادگیری ماشین و تحلیل مولفه-های اصلی جهت پیش بینی بارندگی

تاثیر تغییرات بارندگی بر منابع آب، تولیدات کشاورزی نیاز به روش کارآمدی جهت پیش­بینی بارندگی را آشکار می­سازد. در این تحقیق یکی از روش­های محاسبات نرم در راستای پیش­بینی بارندگی با رویکرد کاهش داده توسعه داده شد. داده­های ورودی مدل متوسط دمای هوا، دمای نقطه شبنم، متوسط فشار سطح دریا، متوسط فشار ایستگاه، میانگین رطوبت نسبی و میانگین سرعت باد در ایستگاه­های تبریز، اهر و جلفا بودند. روش مورد استفاده در این تحقیق شامل رگرسیون بردار پشتیبان، Epsilon و Nu ،می­باشد. در تمام ایستگاه­های مورد مطالعه استفاده از رگرسیون بردار پشتیبان Nu نسبت به Epsilon منجر به کاهش خطا شد به طوری که مقادیر UII با رگرسیون بردار پشتیبان Nu در ایستگاه­های تبریز، اهر و جلفا به­ترتیب ۱۹/۱۹، ۸۸/۵ و۷۸/۱۵ درصد کاهش داشت. نتایج بیانگر محدویت استفاده از رویکرد کاهش داده برای داده­هایی با فاکتور KMO پایین­تر از ۵/۰ است که شامل ایستگاه­های تبریز و اهر بودند. تحلیل مولفه­های اصلی در هر دو نوع رگرسیون بردار پشتیبان عملکرد مدل را افزایش داد به طوری که در ایستگاه جلفا با بکارگیری تحلیل مولفه­های اصلی مقادیر dدر رگرسیون بردار پشتیبان Epsilon و Nu ۶/۱۶ و ۵/۱۷ درصد افزایش یافت. اجرای چرخش وریماکس در پیش­پردازش داده­های ورودی به رگرسیون نسبت به تحلیل مولفه­های اصلی قوی­تر عمل کرد. در این راستا مقادیرRRMSE وRMSE در ایستگاه جلفا با استفاده از رگرسیون بردار پشتیبان Epsilon و با اجرای چرخش به­ترتیب ۶۶/۶ و ۴۵/۶ درصد کاهش داشت. بنابراین تحلیل مولفه­های اصلی ابزار مناسبی جهت ارتقاء عملکرد روش­های محاسبات نرم با رعایت قیود می­باشد.

کلیدواژه ها:

بارندگی ، تحلیل مولفه های اصلی ، رگرسیون بردار پشتیبان ، فاکتور KMO